目的:本研究旨在建立老年心血管疾病患者拔牙风险的预测模型,然后将其转变为电子化的决策工具来筛选高危的患者,提早采取预防和干预措施从而避免心血管并发症的发生。方法:本研究是一项回顾性、观察性的临床研究。选取2017年8月-2018年7月833名符合纳入标准的老年心血管疾病患者纳入研究,包括含有603名患者的训练集和含有230名患者的独立测试集。涉及到的数据包括拔牙前的临床参数、实验室检查、临床检查、拔牙后一周随访数据均被记录。本研究中,特征筛选采用LASSO(最小绝对收缩和选择算子)惩罚因子结合Logistic回归的方法进行特征筛选。首先,我们通过单因素分析,筛选出p<0.05的变量作为预测因子。再次,预测因子的重要性通过LASSO二元回归去获得其回归系数。然后,排除掉回归系数为0的预测因子,通过多元Logistic回归计算其余的15个变量的调整后的OR值。变量筛选出来后,我们用5折交叉验证的方法通过随机森林(RF)算法建立预测模型。在最佳临界值,基于混淆矩阵计算以下预测指标:准确率、灵敏度、特异性、阳性预测值、阴性预测值、阳性似然比、阴性似然比以及受试者工作特征曲线下面积(AUROC)。除了用ROC曲线作为传统的评价指标,由于数据的不平衡性,查准率-查全率曲线(PR曲线)也作为一种评价模型预测能力的重要指标。对比传统的Logistic regression(LR)模型,通过独立测试集对预测模型的预测能力进行验证。基于建立的预测模型,初步建立电子化的拔牙评估软件。结果:训练集的603位患者包括282位男性患者和321位女性患者,平均年龄为72.38±8.31岁,其中129位患者出现心血管并发症。通过特征筛选的方法筛选出11个危险因素:年龄(OR=1.076;95%CI:1.042–1.112;p<0.001)、收缩压(OR=1.053;95%CI:1.033–1.074;p<0.001)、心率(OR=1.042;95%CI:1.019–1.066;p<0.001)、阻生齿数目(OR=3.496;95%CI:1.184–6.736;p<0.001)、近期心绞痛(OR=6.519;95%CI:3.021–14.067;p<0.001)、高血压三级(OR=3.085;95%CI:1.223–7.782;p=0.017)、心脏植入起搏器史(OR=3.35;95%CI:1.36–8.25;p=0.009)、风湿性心脏病(OR=4.873;95%CI:1.348–17.617;p=0.016)、术前抗生素用药史(OR=2.126;95%CI:1.219–3.709;p=0.008)、房颤(OR=3.229;95%CI:1.188–8.775;p=0.022)、肺动脉高压(OR=2.414;95%CI:1.079–5.401;p=0.032)。通过5折交叉验证的方法建立RF模型后,RF模型在训练集上ROC曲线下面积为0.93,LR模型ROC曲线下面积为0.88。最佳临界值为18.5%,RF模型的正确率、灵敏度、特异性、阳性预测值、阴性预测值、阳性似然比、阴性似然比分别为82%、90%、80%、55%、97%、4.44、0.13;而Logistic回归模型的正确率、灵敏度、特异性、阳性预测值、阴性预测值、阳性似然比、阴性似然比分别为80%、81%、80%、52%、94%、3.98、0.23。在独立测试集上,LR模型ROC曲线下面积为0.80,对应的PR曲线下面积为0.35;RF曲线下面积为0.83,对应的PR曲线下面积为0.56。通过对比LR模型,RF模型具有更好的预测能力。最终,我们选择RF模型作为老年心血管疾病患者进行拔牙风险的预测模型。基于建立的预测模型,初步建立电子化的拔牙评估软件。结论:本研究通过初步建立的电子化的拔牙评估软件来预测老年心血管疾病患者拔牙心血管并发症发生的几率。我们的研究结果为内科医生和口腔科医生在老年心血管疾病患者拔牙术前评估中提供决策支持,具有很强的临床实用性。